bge-large-en-v1.5 è l’edizione Large di BAAI per embedding densi in inglese. Trasforma un testo in un vettore di 1024 dimensioni per il recupero di passaggi e il confronto semantico. La versione 1.5 è l’aggiornamento del produttore volto a ottenere una distribuzione di similarità più utile e un recupero migliore senza istruzioni. Large rimane un checkpoint distinto da Base, Small, dalle edizioni cinesi e dal modello multilingue BGE-M3.
Per una query di ricerca breve su documenti più lunghi, il produttore raccomanda l’istruzione per la query “Represent this sentence for searching relevant passages:”. Aggiungila soltanto alla query; i passaggi del corpus mantengono il proprio testo sorgente senza quell’istruzione. Negli altri usi è sufficiente il testo diretto. BAAI documenta anche il recupero senza prefisso nella v1.5 e raccomanda di scegliere la preparazione più efficace sul compito reale.
Una raccolta pratica di conoscenze può indicizzare le sezioni di un manuale tecnico in inglese. Una domanda su quale impostazione modifichi il formato di uscita deve restituire la sezione che spiega quell’impostazione e le relative condizioni. Conserva il titolo, la spiegazione pertinente e la posizione nella fonte insieme a ogni passaggio. Il modello fornisce la rappresentazione numerica; il testo sorgente restituito è ciò che utilizza il lettore o una successiva fase RAG.
L’esempio del produttore per la codifica diretta usa lo stato nascosto finale del primo token CLS come embedding aggregato e poi normalizza il vettore. Il prodotto scalare tra vettori normalizzati fornisce la similarità coseno. Ogni passaggio può quindi essere preparato una volta e memorizzato per il confronto con i vettori delle query in arrivo, mentre il materiale sorgente modificato riceve una rappresentazione aggiornata.
Le 1024 dimensioni specificano la lunghezza del vettore in uscita. Differiscono dalle 768 dimensioni della rappresentazione Base e non stabiliscono uno spazio condiviso compatibile con un altro checkpoint. Mantieni associati all’indice memorizzato il modello e la convenzione di preparazione. Un cambio di edizione degli embedding richiede di verificare insieme le rappresentazioni del corpus e delle query.
La lunghezza di sequenza documentata è di 512 token. Prepara un lungo manuale come sezioni coerenti anziché come un unico ingresso eccessivo. Mantieni una condizione o un’eccezione accanto alla regola che precisa e includi contesto sufficiente affinché la sezione recuperata abbia senso da sola. Anche l’istruzione aggiunta alla query occupa token in ingresso, quindi la finestra del modello riguarda l’intero ingresso preparato.
Un confine utile per un passaggio può comprendere un titolo e i paragrafi che rispondono a una domanda dell’utente. Conserva l’identificativo e la versione del documento principale fuori dal vettore, così che il risultato rimanga riconducibile alla fonte corretta. Per un compito di confronto, usa i testi reali da confrontare anziché sostituirli con riassunti non pertinenti che eliminano la distinzione da trovare.
Il produttore avverte di non considerare la similarità assoluta come una regola universale di equivalenza semantica. L’ordine relativo dei punteggi è centrale nel recupero e una soglia deve essere calibrata sulla distribuzione testuale del compito. Esamina i passaggi candidati per domande con risposte note e per domande la cui risposta è assente. Questo mostra se la sezione restituita fornisce le informazioni richieste, anziché limitarsi ad assomigliare all’argomento.
bge-large-en-v1.5 fornisce vettori densi per l’inglese. Un reranker separato può affinare l’ordine dei candidati e un modello linguistico separato può comporre una risposta dai passaggi selezionati. L’uscita utile di questa edizione è una rappresentazione ricercabile collegata al testo sorgente, con la scelta esatta del modello Large v1.5 e la preparazione dell’ingresso conservate.
", "aboutText": "bge-large-en-v1.5 è l’edizione Large di BAAI per embedding densi in inglese. Trasforma un testo in un vettore di 1024 dimensioni per il recupero di passaggi e il confronto semantico. La versione 1.5 è l’aggiornamento del produttore volto a ottenere una distribuzione di similarità più utile e un recupero migliore senza istruzioni. Large rimane un checkpoint distinto da Base, Small, dalle edizioni cinesi e dal modello multilingue BGE-M3.\n\n### Prepara il recupero dei passaggi\n\nPer una query di ricerca breve su documenti più lunghi, il produttore raccomanda l’istruzione per la query “Represent this sentence for searching relevant passages:”. Aggiungila soltanto alla query; i passaggi del corpus mantengono il proprio testo sorgente senza quell’istruzione. Negli altri usi è sufficiente il testo diretto. BAAI documenta anche il recupero senza prefisso nella v1.5 e raccomanda di scegliere la preparazione più efficace sul compito reale.\n\nUna raccolta pratica di conoscenze può indicizzare le sezioni di un manuale tecnico in inglese. Una domanda su quale impostazione modifichi il formato di uscita deve restituire la sezione che spiega quell’impostazione e le relative condizioni. Conserva il titolo, la spiegazione pertinente e la posizione nella fonte insieme a ogni passaggio. Il modello fornisce la rappresentazione numerica; il testo sorgente restituito è ciò che utilizza il lettore o una successiva fase RAG.\n\n### Rappresentazione e confronto\n\nL’esempio del produttore per la codifica diretta usa lo stato nascosto finale del primo token CLS come embedding aggregato e poi normalizza il vettore. Il prodotto scalare tra vettori normalizzati fornisce la similarità coseno. Ogni passaggio può quindi essere preparato una volta e memorizzato per il confronto con i vettori delle query in arrivo, mentre il materiale sorgente modificato riceve una rappresentazione aggiornata.\n\nLe 1024 dimensioni specificano la lunghezza del vettore in uscita. Differiscono dalle 768 dimensioni della rappresentazione Base e non stabiliscono uno spazio condiviso compatibile con un altro checkpoint. Mantieni associati all’indice memorizzato il modello e la convenzione di preparazione. Un cambio di edizione degli embedding richiede di verificare insieme le rappresentazioni del corpus e delle query.\n\n### Adatta la fonte alla finestra\n\nLa lunghezza di sequenza documentata è di 512 token. Prepara un lungo manuale come sezioni coerenti anziché come un unico ingresso eccessivo. Mantieni una condizione o un’eccezione accanto alla regola che precisa e includi contesto sufficiente affinché la sezione recuperata abbia senso da sola. Anche l’istruzione aggiunta alla query occupa token in ingresso, quindi la finestra del modello riguarda l’intero ingresso preparato.\n\nUn confine utile per un passaggio può comprendere un titolo e i paragrafi che rispondono a una domanda dell’utente. Conserva l’identificativo e la versione del documento principale fuori dal vettore, così che il risultato rimanga riconducibile alla fonte corretta. Per un compito di confronto, usa i testi reali da confrontare anziché sostituirli con riassunti non pertinenti che eliminano la distinzione da trovare.\n\n### Interpreta il punteggio\n\nIl produttore avverte di non considerare la similarità assoluta come una regola universale di equivalenza semantica. L’ordine relativo dei punteggi è centrale nel recupero e una soglia deve essere calibrata sulla distribuzione testuale del compito. Esamina i passaggi candidati per domande con risposte note e per domande la cui risposta è assente. Questo mostra se la sezione restituita fornisce le informazioni richieste, anziché limitarsi ad assomigliare all’argomento.\n\nbge-large-en-v1.5 fornisce vettori densi per l’inglese. Un reranker separato può affinare l’ordine dei candidati e un modello linguistico separato può comporre una risposta dai passaggi selezionati. L’uscita utile di questa edizione è una rappresentazione ricercabile collegata al testo sorgente, con la scelta esatta del modello Large v1.5 e la preparazione dell’ingresso conservate.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7c17fee1050b5f471d0000ba9a7bbf64f3c844c1a849c7ab27bff3d57ae4445f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "baai/bge-large-en-v1.5BAAI bge-large-en-v1.5 produce vettori di testo inglese a 1024 dimensioni per il recupero di informazioni e il confronto semantico. La sua preparazione v1.5 supporta un’istruzione di query facoltativa, con una lunghezza di sequenza documentata di 512 token.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
bge-large-en-v1.5 è l’edizione Large di BAAI per embedding densi in inglese. Trasforma un testo in un vettore di 1024 dimensioni per il recupero di passaggi e il confronto semantico. La versione 1.5 è l’aggiornamento del produttore volto a ottenere una distribuzione di similarità più utile e un recupero migliore senza istruzioni. Large rimane un checkpoint distinto da Base, Small, dalle edizioni cinesi e dal modello multilingue BGE-M3.
Per una query di ricerca breve su documenti più lunghi, il produttore raccomanda l’istruzione per la query “Represent this sentence for searching relevant passages:”. Aggiungila soltanto alla query; i passaggi del corpus mantengono il proprio testo sorgente senza quell’istruzione. Negli altri usi è sufficiente il testo diretto. BAAI documenta anche il recupero senza prefisso nella v1.5 e raccomanda di scegliere la preparazione più efficace sul compito reale.
Una raccolta pratica di conoscenze può indicizzare le sezioni di un manuale tecnico in inglese. Una domanda su quale impostazione modifichi il formato di uscita deve restituire la sezione che spiega quell’impostazione e le relative condizioni. Conserva il titolo, la spiegazione pertinente e la posizione nella fonte insieme a ogni passaggio. Il modello fornisce la rappresentazione numerica; il testo sorgente restituito è ciò che utilizza il lettore o una successiva fase RAG.
L’esempio del produttore per la codifica diretta usa lo stato nascosto finale del primo token CLS come embedding aggregato e poi normalizza il vettore. Il prodotto scalare tra vettori normalizzati fornisce la similarità coseno. Ogni passaggio può quindi essere preparato una volta e memorizzato per il confronto con i vettori delle query in arrivo, mentre il materiale sorgente modificato riceve una rappresentazione aggiornata.
Le 1024 dimensioni specificano la lunghezza del vettore in uscita. Differiscono dalle 768 dimensioni della rappresentazione Base e non stabiliscono uno spazio condiviso compatibile con un altro checkpoint. Mantieni associati all’indice memorizzato il modello e la convenzione di preparazione. Un cambio di edizione degli embedding richiede di verificare insieme le rappresentazioni del corpus e delle query.
La lunghezza di sequenza documentata è di 512 token. Prepara un lungo manuale come sezioni coerenti anziché come un unico ingresso eccessivo. Mantieni una condizione o un’eccezione accanto alla regola che precisa e includi contesto sufficiente affinché la sezione recuperata abbia senso da sola. Anche l’istruzione aggiunta alla query occupa token in ingresso, quindi la finestra del modello riguarda l’intero ingresso preparato.
Un confine utile per un passaggio può comprendere un titolo e i paragrafi che rispondono a una domanda dell’utente. Conserva l’identificativo e la versione del documento principale fuori dal vettore, così che il risultato rimanga riconducibile alla fonte corretta. Per un compito di confronto, usa i testi reali da confrontare anziché sostituirli con riassunti non pertinenti che eliminano la distinzione da trovare.
Il produttore avverte di non considerare la similarità assoluta come una regola universale di equivalenza semantica. L’ordine relativo dei punteggi è centrale nel recupero e una soglia deve essere calibrata sulla distribuzione testuale del compito. Esamina i passaggi candidati per domande con risposte note e per domande la cui risposta è assente. Questo mostra se la sezione restituita fornisce le informazioni richieste, anziché limitarsi ad assomigliare all’argomento.
bge-large-en-v1.5 fornisce vettori densi per l’inglese. Un reranker separato può affinare l’ordine dei candidati e un modello linguistico separato può comporre una risposta dai passaggi selezionati. L’uscita utile di questa edizione è una rappresentazione ricercabile collegata al testo sorgente, con la scelta esatta del modello Large v1.5 e la preparazione dell’ingresso conservate.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti baai/bge-large-en-v1.5 | Predefinito— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 Condizioni: Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi. Budget di input: Massimo: 512 · Unità di testo: byte UTF8 · Unità di token: elementi dell’array di token | Predefinito— |
Campoencoding_format | Tipostring | RequisitoFacoltativo | Valori e limiti float | Predefinitofloat |
Campodimensions | Tipointeger | RequisitoNon supportato | Valori e limiti Minimo: 1 | Predefinito— |
Campouser | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Camposession_id | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campotrace | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options rifiutato | Predefinito— |
text_to_embedding
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input |
Parametroinput_shapes | Contrattostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametroencoding_format | Contrattofloat |
Parametrodimensions_override | Contrattofalse |
Parametromax_input_budget_units | Contratto512 |
Parametromultimodal_objects | Contrattofalse |
Parametromaterial_types | Contrattotext, token_ids |
Ciclo di vita: synchronous_json
Conserva l'indice e la dimensione di ogni vettore.
Il nome del modello multimodale non consente oggetti immagine su questo percorso specifico.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.00002 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "baai/bge-large-en-v1.5", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='baai/bge-large-en-v1.5',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni vettore con il suo indice. Il numero di vettori deve coincidere con il numero di input; le dimensioni devono essere coerenti.
Non viene introdotto alcun endpoint per i job di embedding.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra baai/bge-large-en-v1.5
Usa i percorsi dei metodi indicati sopra.